مدل سازی نرخ پاسخ مشتری از طریق بهینه سازی چندهدفه تکاملی یک طبقه بند یادگیری جمعی

امروزه باتوجه به تاثیر نیازهای مشتریان در بازاریابی، داده های مربوط به مشتریان اهمیت ویژه ای یافته است. در بازاریابی تمام یا اکثر مشتریان، خدمات و محصولات جدید ارائه شده را حمایت نمی کنند و درصد کمتری پاسخ مثبت می دهند، در این صورت عدم توازن در داده ها ایجاد می شود. یادگیری جمعی به عنوان یک راهکار مواجهه با این مسئله لحاظ شده است. در این مقاله یکی از روش های موثر یادگیری جمعی یعنی بگینگ استفاده شده که برای اثربخشی باید در طبقه بندها تنوع ایجاد شود. در این مقاله، هدف، کسب بگ هایی با تعداد مناسب و میزان مناسب دقت، نرخ عدم توازن و تنوع است. لازم است اهداف به صورت همزمان از طریق مسئله بهینه سازی چندهدفه بهینه شوند. برای حل از الگوریتم ژنتیک مرتب سازی نامغلوب استفاده شده و در آن با تشکیل جبهه پارتو مشکل تعداد بهینه طبقه بندها برطرف شده است. عملکرد، توسط مجموعه داده پاسخ مشتریان بانک با استفاده از معیار AUC اندازه گیری شده است و نسبت به سایر روش های مورد مقایسه نتایج بهتری ارائه شده است.

Keywords:

داده کاوی , پاسخ مشتری , مجموعه داده نامتوازن , یادگیری جمعی , بهینه سازی چندهدفه